کتاب استفاده از GPU برای محاسبات سریع با CuPy/PyCUDA با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره استفاده از GPU برای محاسبات سریع با CuPy/PyCUDA

موضوع کلی: برنامه نویسی

موضوع میانی: محاسبات سطح بالا (High-Performance Computing)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر محاسبات موازی
• 2. مقدمه‌ای بر شتاب‌دهنده‌های سخت‌افزاری
• 3. معرفی GPU و معماری آن
• 4. تاریخچه GPU در محاسبات
• 5. تفاوت CPU و GPU
• 6. مزایای استفاده از GPU برای محاسبات
• 7. محدودیت‌های سخت‌افزاری GPU
• 8. معرفی CUDA
• 9. معماری CUDA
• 10. مدل برنامه‌نویسی CUDA
• 11. توسعه CUDA در سطح بالا
• 12. نصب و پیکربندی CUDA Toolkit
• 13. بررسی اولین برنامه CUDA
• 14. ساختار Kernel در CUDA
• 15. مدیریت حافظه در CUDA
• 16. انواع حافظه در GPU (Global, Shared, Constant, Texture)
• 17. مدیریت حافظه Host-Device
• 18. کپی داده بین Host و Device
• 19. عملیات سینکرونیزاسیون در CUDA
• 20. مفهوم Grid, Block, Thread
• 21. نقشه‌برداری وظایف به Threadها
• 22. استفاده از Block ID و Thread ID
• 23. کدنویسی موازی با C/C++ و CUDA
• 24. توابع هسته (Kernel Functions)
• 25. پارامترهای توابع هسته
• 26. فراخوانی توابع هسته
• 27. مدیریت خطا در CUDA
• 28. بهینه‌سازی حافظه سراسری (Global Memory)
• 29. بهینه‌سازی حافظه اشتراکی (Shared Memory)
• 30. استفاده از حافظه اشتراکی برای کاهش دسترسی به حافظه سراسری
• 31. الگوهای استفاده از حافظه اشتراکی
• 32. بهینه‌سازی حافظه ثابت (Constant Memory)
• 33. بهینه‌سازی حافظه تکسچر (Texture Memory)
• 34. مدیریت زمان‌بندی (Scheduling) در CUDA
• 35. جلوگیری از بن‌بست (Deadlock)
• 36. مدیریت ریسورس‌های GPU
• 37. چند هسته‌ای (Multiprocessing) در CUDA
• 38. برنامه‌نویسی ناهمزمان (Asynchronous Programming) در CUDA
• 39. مدیریت جریان (Stream) در CUDA
• 40. استفاده از جریان برای همپوشانی محاسبات و انتقال داده
• 41. پاراللیسم داده (Data Parallelism)
• 42. پاراللیسم وظیفه (Task Parallelism)
• 43. برنامه‌نویسی با CuPy
• 44. معرفی CuPy
• 45. تفاوت CuPy با NumPy
• 46. نصب CuPy
• 47. اولین برنامه CuPy
• 48. عملیات پایه‌ای با CuPy arrays
• 49. انتقال داده بین NumPy و CuPy
• 50. عملیات ریاضی با CuPy
• 51. توابع آماری با CuPy
• 52. عملیات برداری و ماتریسی با CuPy
• 53. reshape و transpose در CuPy
• 54. slicing و indexing در CuPy
• 55. broadcasting در CuPy
• 56. محاسبات روی GPU با CuPy
• 57. استفاده از توابع سریع CuPy
• 58. پیاده‌سازی الگوریتم‌های پیچیده با CuPy
• 59. بهینه‌سازی کد CuPy
• 60. استفاده از حافظه GPU در CuPy
• 61. مدیریت GPU Memory در CuCooky
• 62. انتخاب GPU مناسب
• 63. نمایش اطلاعات GPU
• 64. تخصیص و آزادسازی حافظه GPU
• 65. اشکال‌زدایی (Debugging) برنامه‌های CUDA
• 66. ابزارهای اشکال‌زدایی (Nsight Compute, Nsight Systems)
• 67. پروفایلینگ (Profiling) عملکرد GPU
• 68. شناسایی گلوگاه‌ها (Bottlenecks)
• 69. بهینه‌سازی بر اساس نتایج پروفایلینگ
• 70. تکنیک‌های بهینه‌سازی عملکرد
• 71. کاهش Thread divergence
• 72. استفاده از Warp-level primitives
• 73. بهینه‌سازی استفاده از Shared Memory
• 74. استفاده از Atomic operations
• 75. مدیریت خطای زمان اجرا (Runtime Error Handling)
• 76. معرفی PyCUDA
• 77. معرفی PyCUDA
• 78. نصب PyCUDA
• 79. اولین برنامه PyCUDA
• 80. اجرای کد C/C++ روی GPU با PyCUDA
• 81. تعریف و اجرای Kernels در PyCUDA
• 82. مدیریت حافظه در PyCUDA
• 83. انتقال داده بین Host و Device در PyCUDA
• 84. استفاده از Device Arrays در PyCUDA
• 85. اجرای توابع C++ تعریف شده در PyCUDA
• 86. کامپایل و اجرای کد CUDA C++ از PyCUDA
• 87. ارتباط PyCUDA با NumPy
• 88. مثال‌های عملی با PyCUDA
• 89. پیاده‌سازی الگوریتم‌های یادگیری ماشین با PyCUDA
• 90. بهینه‌سازی شبکه‌های عصبی با PyCUDA
• 91. استفاده از PyCUDA برای پردازش تصویر
• 92. استفاده از PyCUDA برای پردازش سیگنال
• 93. کاربردهای پیشرفته PyCUDA
• 94. ترکیب CuPy و PyCUDA
• 95. بهینه‌سازی‌های سطح پایین‌تر با PyCUDA
• 96. مدیریت همزمان چندین GPU
• 97. استفاده از تکنیک‌های پیشرفته حافظه GPU
• 98. معرفی معماری‌های جدید GPU
• 99. برنامه‌نویسی غیرهمزمان پیشرفته در CUDA
• 100. الگوهای موازی‌سازی جدید